基于眼底增强视网膜疾病感知蒸馏模型的 OCT 图像视网膜疾病分类
该研究使用光学相干断层扫描(OCT)技术,建立了一个开放数据集(OCTDL),其中包含 1600 多幅高分辨率 OCT 图像,针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术,对该数据集进行了疾病分类的研究。
Dec, 2023
通过结合超广角彩色眼底照相和光学相干断层扫描血管造影成像技术,该研究提出了一种新的多模态方法,显著增强了糖尿病视网膜病变的分类性能,有望帮助更准确地早期检测糖尿病视网膜病变,改善患者的临床预后。
Oct, 2023
本文介绍了一种新的合奏学习机制,旨在识别受限资源(例如数据、计算)下的视网膜疾病,该机制利用了多个预训练模型的见解,有助于将它们的知识转移到视网膜光学相干断层扫描图像中,提供了一种在处理受限标记数据的情况下建立强大模型的方法,并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明,所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能,即使在处理非常有限的标记数据集时也是如此。此外,这种方法消除了学习大规模参数的必要性,使其非常适合在资源有限的情景中部署。
Feb, 2024
我们使用不确定性估计的基础模型来检测光学相干断层扫描(OCT)上的 11 种视网膜病变,模型在内部测试集上获得了 96.76% 的 F1 得分,在阈值策略下进一步提高至 98.44%;在其他 OCT 设备获取的外部测试集上,模型的准确率为 88.75% 和 92.73%,我们的模型在真实世界中的临床开放环境中提供了可信赖的自动视网膜异常检测方法。
Jun, 2024
该研究使用光学相干断层扫描血管造影技术(OCTA)对糖尿病视网膜病变进行自动评估,通过优化的二维摘要和分类流程,提供了比三维分类更好、更易解释的结果。
Jan, 2024
提出了一种利用机器学习和深度学习技术进行眼部疾病预测的端到端网络应用,通过对患者的 OCT 扫描图像进行分割和分类,实现眼部疾病的高效检测,对早期发现和及时干预具有重要意义。
Nov, 2023
本研究提出一种卷积神经网络架构,能够成功区分不同视网膜层的退化以及其潜在的疾病原因,准确率达到 99.8%,100%。此外,这种架构可以实时预测视网膜疾病,同时表现优于人类诊断医师。
Oct, 2019
利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战,为了克服这个问题,可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图,训练的去噪扩散概率模型(DDPM)可以生成逼真的近视视网膜光学相干断层扫描图像。此外,通过知识适应可以获得更准确的伪标签,对分割任务非常有益。通过这一方法,我们观察到层次分割准确性的持续改善,并通过各种神经网络验证。此外,我们还发现,仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。
Nov, 2023
本研究通过建立包含 8 种常见眼疾的数据集,使用深度神经网络进行多疾病分类的实验,发现提高网络规模不能为多疾病分类带来好结果,需要采用良好结构的特征融合方法。
Feb, 2021
该研究介绍了一种新型的超广角光学相干断层扫描血流成像技术(UW-OCTA),并提出了一种跨模态融合框架,可以利用多模态信息诊断多种疾病。通过构建 M3OCTA 数据集,该方法在固定和可变模态设置下证明了其有效性和卓越性能,旨在推动眼科图像分析领域的研究。
Nov, 2023